Die zwingende Notwendigkeit für maschinelles Lernen im öffentlichen Sektor

GettyImages 1353768853 2d illustrations and photos


Wir freuen uns, die Remodel 2022 am 19. Juli und virtuell vom 20. bis 28. Juli wieder persönlich zu präsentieren. Nehmen Sie an aufschlussreichen Gesprächen und spannenden Networking-Möglichkeiten teil. Registrieren Sie sich heute!


Die schiere Anzahl von Rückständen und Verzögerungen im gesamten öffentlichen Sektor ist beunruhigend für eine Branche, die darauf ausgelegt ist, Bürgern zu dienen. Schlagzeilen machte im letzten Sommer die viermonatige Wartezeit für den Erhalt von Pässen, die gegenüber der vor der Pandemie üblichen Bearbeitungszeit von 6 bis 8 Wochen erheblich gestiegen ist. Zuletzt gab der Inner Income Service (IRS) bekannt, dass er neben seinem Plan für die Weiterentwicklung mit dem 15-fachen der üblichen Menge an Einreichungsrückständen in die Steuersaison 2022 eingetreten ist.

Diese oft publizierten Rückstände gibt es mangels Aufwand nicht. Der Sektor hat in den letzten zehn Jahren technologische Fortschritte gemacht. Dennoch plagen veraltete Technologien und veraltete Prozesse immer noch einige der bekanntesten Abteilungen unseres Landes. Die Behörden von heute müssen Maßnahmen zur digitalen Transformation ergreifen, um Datenrückstände zu reduzieren, die Reaktionszeiten der Bürger zu verbessern und bessere Ergebnisse für die Behörden zu erzielen.

Durch die Einführung von Lösungen für maschinelles Lernen (ML) und die Einbeziehung von Fortschritten in der Verarbeitung natürlicher Sprache (NLP) können Rückstände der Vergangenheit angehören.

Wie ML und KI die physische und die digitale Welt überbrücken können

Ob Steuerdokumente oder Passanträge, die manuelle Bearbeitung ist zeitaufwändig und fehleranfällig auf Sender- und Empfängerseite. Beispielsweise kann ein Absender versehentlich ein falsches Kästchen ankreuzen oder der Empfänger die Zahl „5“ als den Buchstaben „S“ interpretieren. Dies führt zu unvorhergesehenen Verzögerungen bei der Verarbeitung oder, schlimmer noch, zu ungenauen Ergebnissen.

Aber die Bewältigung des wachsenden Issues der Regierungsdokumente und des Datenrückstands ist nicht so einfach und sauber wie das Hochladen von Informationen in Verarbeitungssysteme. Die schiere Anzahl von Dokumenten und Bürgerinformationen, die in verschiedenen unstrukturierten Datenformaten und Zuständen, oft mit schlechter Lesbarkeit, in Behörden eingehen, machen es nahezu unmöglich, Daten für die nachgelagerte Entscheidungsfindung zuverlässig und effizient zu extrahieren.

Die Einbeziehung von künstlicher Intelligenz (KI) und maschinellem Lernen in den täglichen Behördenbetrieb, so wie es andere Branchen in den letzten Jahren getan haben, kann die Intelligenz, Agilität und den Vorteil bieten, die erforderlich sind, um Prozesse zu rationalisieren und eine Finish-to-Finish-Automatisierung dokumentenzentrierter Prozesse zu ermöglichen.

Regierungsbehörden müssen verstehen, dass echte Veränderungen und dauerhafter Erfolg angesichts der enormen Menge an eingehenden Daten nicht mit schnellen Flickenteppichen einhergehen, die auf veralteter optischer Zeichenerkennung (OCR) oder alternativen Automatisierungslösungen aufbauen.

Die Überbrückung der physischen und digitalen Welt kann mit intelligenter Dokumentenverarbeitung (IDP) erreicht werden, die proprietäre ML-Modelle und menschliche Intelligenz nutzt, um komplexe, für Menschen lesbare Dokumentformate zu klassifizieren und zu konvertieren. PDFs, Bilder, E-Mails und gescannte Formulare können mit IDP in strukturierte, maschinenlesbare Informationen umgewandelt werden. Dies geschieht mit größerer Genauigkeit und Effizienz als herkömmliche Alternativen oder manuelle Ansätze.

Im Fall des IRS, der mit Millionen von Dokumenten wie 1099-Formularen und W-2-Formularen von Einzelpersonen überschwemmt wird, können ausgeklügelte ML-Modelle und IDP das digitalisierte Dokument automatisch identifizieren, gedruckten und handgeschriebenen Textual content extrahieren und es in ein maschinenlesbares Format strukturieren . Dieser automatisierte Ansatz beschleunigt die Bearbeitungszeiten, bezieht bei Bedarf menschliche Unterstützung ein und ist äußerst effektiv und genau.

Förderung von ML-Bemühungen mit NLP

Neben Automatisierung und IDP kann die Einführung von ML- und NLP-Technologien das Bestreben der Branche, Prozesse zu verbessern und Rückstände zu reduzieren, erheblich unterstützen. NLP ist ein Bereich der Informatik, der Textual content und gesprochene Wörter wie Menschen verarbeitet und versteht und traditionell auf Computerlinguistik, Statistik und Datenwissenschaft basiert.

Das Gebiet hat bedeutende Fortschritte erfahren, wie die Einführung komplexer Sprachmodelle, die mehr als 100 Milliarden Parameter enthalten. Diese Modelle könnten viele komplexe Textverarbeitungsaufgaben wie Klassifizierung, Spracherkennung und maschinelle Übersetzung unterstützen. Diese Fortschritte könnten eine noch umfassendere Datenextraktion in einer von Dokumenten überfluteten Welt unterstützen.

Mit Blick auf die Zukunft ist NLP auf dem besten Weg, dank technologischer Fortschritte, die durch Deep Studying vorangetrieben werden, ein Textverständnisniveau zu erreichen, das dem eines menschlichen Wissensarbeiters ähnelt. Ähnliche Fortschritte beim Deep Studying ermöglichen es dem Pc auch, andere für Menschen lesbare Inhalte wie Bilder zu verstehen und zu verarbeiten.

Insbesondere für den öffentlichen Sektor könnten dies Bilder sein, die in Anträgen auf Behinderung oder anderen Formularen oder Anträgen enthalten sind, die aus mehr als nur Textual content bestehen. Diese Fortschritte könnten auch nachgelagerte Phasen von Prozessen des öffentlichen Sektors verbessern, wie z. B. die ML-gestützte Entscheidungsfindung für Agenturen, die Arbeitslosenunterstützung, Medicaid-Versicherung und andere unschätzbare staatliche Dienstleistungen festlegen.

Auf eine Modernisierung zu verzichten, ist keine Possibility mehr

Obwohl wir eine Handvoll vielversprechender Verbesserungen der digitalen Transformation gesehen haben, muss der Ruf nach systemischen Veränderungen noch vollständig beantwortet werden.

Um heute voranzukommen, muss sichergestellt werden, dass Agenturen über das Patchen hinausgehen und in verschiedene Legacy-Systeme investieren. Patchwork und Investitionen in veraltete Prozesse unterstützen neue Anwendungsfälle nicht, sind anfällig für Änderungen und können unerwartete Volumensprünge nicht bewältigen. Stattdessen sollte die Einführung einer flexiblen Lösung, die die komplexesten, schwer lesbaren Dokumente von der Eingabe bis zum Ergebnis verarbeiten kann, ein Kinderspiel sein.

Wieso den? Die Bürger verdienen mehr von den Agenturen, die ihnen dienen.

CF Su ist Vizepräsident für maschinelles Lernen bei Hyperscience.

DatenEntscheider

Willkommen in der VentureBeat-Neighborhood!

DataDecisionMakers ist der Ort, an dem Experten, einschließlich der technischen Mitarbeiter, die mit Daten arbeiten, datenbezogene Erkenntnisse und Innovationen austauschen können.

Wenn Sie über revolutionary Ideen und aktuelle Informationen, Greatest Practices und die Zukunft von Daten und Datentechnologie lesen möchten, besuchen Sie uns bei DataDecisionMakers.

Vielleicht denken Sie sogar darüber nach, einen eigenen Artikel beizusteuern!

Lesen Sie mehr von DataDecisionMakers

admin

Leave a Reply

Your email address will not be published.